Hugging Face 开源社区动态：热门模型与数据集、排行榜变化与开源生态的晴雨表。
Hugging Face 发布 Granite 4.0 3B Vision，这款 3B 视觉语言模型面向企业文档理解，支持表格提取、图表理解和语义键值对抽取。模型以 LoRA adapter 形式构建在 Granite 4.0 Micro 之上，可单独使用或与 Docling 集成。
推荐理由：这款 3B 视觉语言模型将图表、表格和语义键值抽取结合起来，并以 LoRA adapter 形式支持文本与视觉任务切换，适合评估企业文档处理方案。
Hugging Face 发布 TRL v1.0，将 TRL 从研究代码库明确升级为面向生产使用的后训练库，支持超过 75 种后训练方法。新版本让稳定 API 与实验 API 共存，稳定层涵盖 SFT、DPO、Reward modeling、RLOO 和 GRPO 等训练器，最近一个 0.x 版本的迁移工作量较小。
推荐理由：文章解释了 TRL v1.0 如何以稳定与实验并存的契约应对后训练方法快速变化，并给出异步 GRPO 等后续方向。
Hugging Face 介绍了把 OpenClaw、Pi 或 Open Code 智能体迁移到开放模型的两条路径：通过 Inference Providers 托管运行，或使用 llama.cpp 在本地运行。托管方案可配置 GLM-5，本地方案示例使用 Qwen3.5-35B-A3B-GGUF，并提供了安装、启动服务器和 OpenClaw 配置命令。
推荐理由：文章提供了将 OpenClaw 迁移到 Hugging Face 托管模型或本地 llama.cpp 的具体命令与配置，便于读者按硬件和隐私需求选择路径。
Hugging Face 发布 EVA，用 bot-to-bot 音频架构评估语音智能体的任务准确性与对话体验。框架包含 EVA-A 和 EVA-X 两项主分数，随附覆盖 50 个航空场景、15 个工具的数据集，并评测了 20 个级联和音频原生系统。结果显示，任务完成表现与用户体验之间存在持续权衡，命名实体转录错误和多步骤工作流是主要失效点。
推荐理由：EVA将任务完成、语音准确性与对话体验纳入同一套端到端评估，并用航空场景数据展示准确性与体验之间的权衡。
Hugging Face 发布教程，介绍使用 Llama-Nemotron-Embed-1B-v2 和 NVIDIA NeMo 工具链，在单张 GPU 上为领域文档生成合成训练数据、挖掘难负样本并微调嵌入模型。
推荐理由：文章给出从合成数据生成、难负样本挖掘到部署的完整流程，并用公开数据和 Atlassian 案例展示检索指标变化。
Hugging Face 发布《2026 春季开源现状》报告，基于社区活动数据分析竞争、地域、技术趋势和新兴社区。2025 年平台用户增至 13 million，公共模型超过 2 million、公共数据集超过 500,000；中国模型占下载量 41%，Qwen 相关衍生模型超过 200,000 个。
推荐理由：报告用 Hugging Face 社区数据梳理开源 AI 的地域、规模与应用变化，呈现中国模型增长、小模型普及和机器人社区扩张等趋势。
H Company 发布多模态电脑操作模型 Holotron-12B，基于 NVIDIA Nemotron-Nano-12B-v2-VL-BF16 和专有数据训练，最终 checkpoint 使用约 14 billion tokens。
推荐理由：文章同时给出 Holotron-12B 的训练来源、吞吐对比和 Agent 基准结果，便于评估其在高并发电脑操作任务中的实际定位。
Hugging Face 调研 16 个开源 RL 库，比较编排、rollout buffer、权重同步、陈旧样本管理、部分 rollout、LoRA 和分布式训练后端等 7 个维度。
推荐理由：文章将 16 个开源异步 RL 库放在统一框架下比较，梳理了缓冲区、权重同步、样本陈旧和 MoE 支持等工程取舍。
Hugging Face 在 Hub 上推出 Storage Buckets，为 checkpoints、处理后数据、Agent traces 和日志等可变 ML 产物提供非版本化、S3-like 对象存储。Buckets 基于 Xet 的分块去重，并支持通过 hf CLI、Python、JavaScript 和 fsspec 管理；还可将数据预热到 AWS 和 GCP 的计算区域。
推荐理由：Storage Buckets 将可变的 ML 中间产物纳入 Hub，并结合 Xet 去重与预热能力，补足 Git 不适合高频写入的工作层。
Hugging Face 发布 LeRobot v0.5.0，新增对 Unitree G1 人形机器人的完整支持，并加入 Pi0-FAST、Real-Time Chunking、EnvHub 和 NVIDIA IsaacLab-Arena 集成。该版本还带来流式视频编码、10x 更快的图像训练、3x 更快的编码，以及 Python 3.12+ 和 Transformers v5 的代码库升级。
推荐理由：LeRobot v0.5.0同时扩展硬件、策略、数据管线和仿真环境，为机器人学习从训练到真实部署提供了更完整的开源基础。
Hugging Face 介绍 Ulysses Sequence Parallelism 如何通过序列分片、attention head 并行和 all-to-all 通信训练超长上下文，并集成到 Accelerate、Transformers Trainer 和 TRL 的 SFTTrainer。
推荐理由：文章系统说明 Ulysses 如何拆分长序列并接入 Hugging Face 训练栈，同时用显存、吞吐和对比数据展示其适用边界。
Hugging Face 发布实践指南，介绍如何为“将茶包放入杯子”任务录制机器人数据、微调 ACT 和 SmolVLA，并在 NXP i.MX 95 上进行部署优化。
推荐理由：文章将数据采集、VLA 微调与嵌入式部署串成一套实践流程，并用 i.MX 95 的延迟与准确率结果说明各环节的取舍。
Hugging Face 推出 Modular Diffusers，通过可复用模块组合扩散模型流程，作为现有 DiffusionPipeline 的更灵活替代方案。
推荐理由：Modular Diffusers 将扩散流程拆成可复用模块，并连接模型仓库与可视化工作流，展示了定制和复用 Diffusers 流程的具体路径。
Photoroom 使用 32 张 H200、约 $1500 的计算预算，在 24 小时内训练文本到图像模型，并公开 PRX 代码与实验框架。配方结合像素空间训练、LPIPS 与 DINOv2 感知损失、TREAD token 路由、REPA 表征对齐、DINOv3 和 Muon 优化器，模型以 512px 训练 100k 步后再以 1024px 微调 20k 步。
推荐理由：文章拆解了 24 小时文本到图像训练的完整配方与取舍，并开放代码，便于复现实验和调整组件。
Hugging Face 介绍 Transformers 如何支持 Mixture of Experts，包括 WeightConverter 权重转换、Experts Backend 和 Expert Parallelism。
推荐理由：文章把 MoE 的稀疏计算原理与 Transformers 的加载、后端、专家并行和训练优化串联起来，并用基准数据说明工程改造的收益。
Hugging Face 介绍如何通过 Claude Code、Codex 等编码智能体，结合 Unsloth 和 Hugging Face Jobs 微调 LiquidAI/LFM2.5-1.2B-Instruct。
推荐理由：文章把 Unsloth、Hugging Face Jobs 与编码智能体串成可执行流程，并给出免费额度、命令和成本参考，便于复现实验。
GGML 的创建者 Georgi Gerganov 及团队加入 Hugging Face，以获得长期资源支持并扩大 ggml 与 llama.cpp 社区。团队仍将 100% 投入 llama.cpp 的维护，在技术方向和社区事务上保持完全自治；项目继续保持 100% 开源和社区驱动。
推荐理由：这项加入将开源项目的长期资源支持与技术自治结合起来，也交代了 llama.cpp 与 Transformers 在本地推理生态中的协作方向。
IBM Research 与 UC Berkeley 将 MAST 应用于 ITBench，分析了 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 的 310 条 SRE 执行轨迹。
推荐理由：文章把 ITBench 的成功率拆解为具体失败模式，并针对不同模型给出验证、终止控制和上下文管理等工程改进方向。
Gradio 6 为 gr.HTML 增加自定义模板、作用域 CSS 和 JavaScript 交互能力，可在单个 Python 文件中生成前端、后端与状态管理。文章展示了 Pomodoro Timer、Kanban Board、检测结果查看器和实时语音转写等应用，并说明可通过 gradio deploy 部署到 Hugging Face Spaces。
推荐理由：文章展示了 gr.HTML 如何把自定义前端交互、Python 状态和部署流程收束到单个文件，适合参考其快速构建 Gradio 组件的方法。
Hugging Face 构建了一个 CUDA Kernels Agent skill，指导 Claude 和 Codex 为 diffusers 与 transformers 目标编写带 PyTorch 绑定和基准测试的生产级 CUDA 内核。
推荐理由：文章展示了如何把 CUDA 专业知识封装为 Agent skill，并用真实 diffusers 与 transformers 目标验证从内核生成、绑定到基准测试的完整流程。